Edge Computing in der Maschinenvernetzung: KI-Inferenz direkt an der Anlage

Symbolbild, KI-generiert (gpt-image-1)

Edge computing verlagert Rechenleistung vom Rechenzentrum an den Ort der Datenentstehung – direkt an die Maschine, in den Schaltschrank oder auf das Fahrzeug. In der industriellen Maschinenvernetzung löst dieser Ansatz ein fundamentales Problem: Steuerungsentscheidungen, die Millisekunden erfordern, können nicht auf eine Cloud-Antwort warten.

Das Problem mit der Cloud für industrielle Echtzeit

Eine typische Produktionslinie produziert Bauteile mit einem Takt von 500 ms bis 2 Sekunden. Soll ein KI-Modell jeden Zyklus ein Kamerabild auswerten und ein Steuersignal ausgeben, muss das innerhalb von 200–400 ms passieren – zuverlässig, ohne Netzwerk-Jitter.

Cloud-Roundtrips liegen in kontrollierten Rechenzentren bei 20–80 ms. Unter realen Industriebedingungen – Mobilfunkschwankungen, Netzwerkstaus, Server-Load-Spitzen – steigen sie auf 100–500 ms und variieren stark. Kein SLA deckt Echtzeit-Produktionssteuerung ab.

Edge computing am Maschinenstandort eliminiert den Netzwerkpfad vollständig. Latenz ist deterministisch, unabhängig von Konnektivität. Die allgemeinen Grundlagen dieses Prinzips – Abgrenzung zu Fog und Cloud, Entscheidungskriterien – sind unter Was ist Edge Computing? beschrieben; dieser Artikel geht auf den konkreten Anwendungsfall.

Architektur: Edge Computing an der Maschine

Ein typisches Edge-Computing-Setup für Maschinenvernetzung mit KI besteht aus drei Schichten:

Feldebene: Sensoren, Kameras, SPS (PLC), Aktuatoren. Diese Geräte erzeugen Rohdaten mit hoher Rate – Bilder, Messwerte, Maschinensignale.

Edge-Ebene (lokaler Industrie-PC): Ein Industrie-PC mit ausreichend CPU- und ggf. GPU-Leistung übernimmt: - Datenerfassung von Sensoren und Kameras - Vorverarbeitung und Filterung - KI-Inferenz auf dem lokalen Modell - Steuersignal-Ausgabe an SPS oder Aktuator - Lokales Logging und Datenpuffer - OPC-UA- oder MQTT-Kommunikation nach oben

Cloud- oder MES-Ebene: Aggregierte Daten, Modell-Updates, langfristige Analysedaten und Dashboards. Nicht zeitkritisch.

KI-Inferenz: Was am Edge möglich ist

Neuronale Netze, die einmal in der Cloud trainiert wurden, können als komprimiertes Modell (TensorRT, ONNX Runtime, OpenVINO) auf dem Edge Computer ausgeführt werden:

Bildklassifikation: ResNet-50-Modell auf NVIDIA RTX 4000 → ca. 800 Inferenzen/Sekunde. Selbst mit 12-MP-Kamera und vorverarbeitungsintensiven Aufgaben reicht das für 60+ fps.

Objekterkennung (YOLO): YOLOv8-Medium auf RTX 4000 → 120–200 Inferenzen/Sekunde bei 640×640 px Eingabe. Ausreichend für Fehlerdetektions-Tasks an schnellen Linien.

Anomalieerkennung: Autoencoder-basierte Modelle laufen auch auf CPU mit tolerierbarer Latenz (20–50 ms) – GPU beschleunigt auf unter 5 ms.

Entscheidend ist die Modellgröße: kleinere, optimierte Modelle (Quantisierung auf INT8) laufen auf kostengünstiger Hardware; große Transformer-Modelle benötigen leistungsfähige GPUs.

Datensouveränität und Sicherheit

Ein oft unterschätzter Vorteil: Produktionsdaten verlassen die Anlage nicht. Kamerabilder von Produktionsprozessen, Maschinenzustände und Qualitätsdaten sind in vielen Branchen betriebsgeheimnis-relevant. Edge computing hält alle Rohdaten lokal – in die Cloud gehen nur aggregierte Kennzahlen.

Für Branchen mit regulatorischen Anforderungen (Lebensmittel, Pharma, Rüstung) ist das oft Pflicht, nicht Kür.

Praxisbeispiel: Anomalieerkennung an einer Fräslinie

Ausgangssituation: Vibrationsanomalien an CNC-Fräsmaschinen führten zu Ausschuss, der erst bei der Endprüfung auffiel. Cloud-Analyse kam zu spät.

Lösung: Kompakter Industrie-PC im Schaltschrank, ausgestattet mit: - Vibrationssensoren (via RS485/Modbus) an allen drei Maschinenachsen - Edge-AI-Modell (Autoencoder) für Anomalie-Detektion - Digital-I/O für Warnsignal an Maschinensteuerung

Ergebnis: Anomalien werden 15–30 Sekunden vor dem Ausschuss-Ereignis erkannt. Maschine gibt Warnung, Operator kann eingreifen oder Stoppsignal wird automatisch gesetzt.

Hardware: Ein kompakter Industrie-PC mit Intel Core i7, 16 GB RAM, NVMe-SSD – kein GPU erforderlich für Vibrationsanalyse.

Herausforderungen beim Edge-Computing-Einsatz

Modell-Updates: Im Gegensatz zur Cloud müssen Modelle zu einzelnen Edge Nodes verteilt werden. Eine Fleet-Management-Lösung (AWS IoT Greengrass, Azure IoT Edge, oder Open-Source-Alternativen) automatisiert das.

Hardware-Heterogenität: Unterschiedliche Maschinentypen benötigen unterschiedliche Hardware. Standardisierung auf eine Plattform vereinfacht Wartung und Softwareentwicklung.

Offline-Betrieb: Edge Computing ist per Definition offline-fähig. Der lokale Knoten muss Pufferspeicher für Log-Daten haben, die bei Netzwiederkehr synchronisiert werden.

Industrie-PCs und Edge-Computer für Maschinenvernetzung: Box-PCs und Industrie-Computer – und für GPU-beschleunigte KI-Inferenz: PCIe AI-Karten und GPU-Karten.

Weiterführende Artikel

• Was ist Edge Computing? Erklärung für Ingenieure – die Grundlagen zum Anwendungsfall
• Edge Computer: Definition, Aufbau und industrielle Einsatzgebiete
• Was ist ein Industrie-PC? Bauformen, Merkmale und Auswahlkriterien
• TensorRT auf NVIDIA-Karte einrichten: Inferenz-Optimierung
• Anomalieerkennung in der Produktion mit Edge-GPU

Zurück zum Wiki-Inhaltsverzeichnis.